Udostępnij za pośrednictwem

Trenowanie modelu wykrywania anomalii

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Szkolenie modelu wykrywania anomalii na zestawie treningowym

Kategoria: Machine Learning / Trenuj

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Omówienie modułu

W tym artykule opisano, jak za pomocą modułu Train Anomaly Detection Model (Trenowanie modelu wykrywania anomalii) w programie Machine Learning utworzyć wytrenowany model wykrywania anomalii.

Moduł przyjmuje jako dane wejściowe zestaw parametrów modelu dla modelu wykrywania anomalii, takich jak ten, który został wyprodukowany przez moduł One-Class Support Vector Machine i zestaw danych bez etykiet. Zwraca on wytrenowany model wykrywania anomalii wraz z zestawem etykiet dla danych treningowych.

Aby uzyskać więcej informacji na temat algorytmów wykrywania anomalii w Machine Learning, zobacz następujące tematy:

Jak skonfigurować trenowanie modelu wykrywania anomalii

  1. Dodaj moduł Train Anomaly Detection Model (Trenowanie modelu wykrywania anomalii ) do eksperymentu w programie Studio (wersja klasyczna). Moduł można znaleźć w obszarze Machine Learning kategorii Train (Trenuj).

  2. Połączenie modułów przeznaczonych do wykrywania anomalii, takich jak PCA-Based Anomaly Detection (Wykrywanie anomalii oparte na pca) lub One-Class Support Vector Machine (Jednoklasowa maszyna wektorów obsługi).

    Inne typy modeli nie są obsługiwane; Podczas uruchamiania eksperymentu wystąpi błąd: Wszystkie modele muszą mieć ten sam typ uczenia.

  3. Skonfiguruj moduł wykrywania anomalii, wybierając kolumnę etykiety i ustawiając inne parametry specyficzne dla algorytmu.

  4. Dołącz zestaw danych treningowych do danych wejściowych po prawej stronie w sekcji Train Anomaly Detection Model (Trenowanie modelu wykrywania anomalii).

  5. Uruchom eksperyment.

Wyniki

Po zakończeniu szkolenia:

  • Aby wyświetlić parametry modelu, kliknij prawym przyciskiem myszy moduł i wybierz pozycję Visualize ( Wizualizacja).

  • Aby utworzyć przewidywania, użyj funkcji Score Model (Wyeksuj model) z nowymi danymi wejściowymi.

  • Aby zapisać migawkę wytrenowany model, kliknij prawym przyciskiem myszy dane wyjściowe Trained Model (Wytrenowany model ), a następnie wybierz pozycję Save As (Zapisz jako).

Przykłady

Aby dowiedzieć się, jak wykrywanie anomalii jest implementowane w Machine Learning, zobacz Azure AI Gallery:

Oczekiwane dane wejściowe

Nazwa Typ Opis
Nie wytrenowany model ILearner, interfejs Nieprzetrenowany model wykrywania anomalii
Zestaw danych Tabela danych Wejściowe źródło danych

Dane wyjściowe

Nazwa Typ Opis
Wytrenowany model ILearner, interfejs Wytrenowany model wykrywania anomalii

Wyjątki

Wyjątek Opis
Błąd 0003 Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kody błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).

Zobacz też

Szkolenie
Wykrywanie anomalii